آدرس ایمیل خود را وارد نمایید
ثبت
پیام خود را بنویسید
جلد 11، شماره 3 - ( فصلنامۀ علمی - پژوهشی بيماري‌هاي پستان ايران 1397 )
جلد 11 شماره 3 صفحات 70-55 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Shayegan M A, Naseri S. Breast Cancer Staging by Using TNM System and Ant Colony Algorithm. ijbd 2018; 11 (3) :55-70
URL: http://ijbd.ir/article-1-693-fa.html
URL: http://ijbd.ir/article-1-693-fa.html
شایگان محمدامین، ناصری نوروزانی سعیده. تعیین مرحله بالینی بیماران مبتلا به سرطان پستان با استفاده از سیستم TNM و الگوریتم کلونی مورچگان. بیماریهای پستان ایران. 1397; 11 (3) :55-70
1- دانشگاه آزاد اسلامی واحد شیراز ، shayegan@iaushiraz.ac.ir
2- دانشگاه آزاد اسلامی واحد شیراز
2- دانشگاه آزاد اسلامی واحد شیراز
چکیده: (5053 مشاهده)
مقدمه: میزان پیشرفت سرطان پستان (مرحله،Staging )، یکی از مهم ترین عوامل تعیین کننده میزان بقای فرد بیمار و انتخاب روشهای درمانی مناسب توسط پزشکان است. معمولا تعیین پیشرفت سرطان پستان، پس از عمل جراحی و از طریق ارزیابی بافت شناسی انجام می شود. از این رو یافتن الگوریتم مناسبی که بتواند میزان پیشرفت و همچنین مرحله (Staging) سرطان پستان را تعیین کند، به پزشکان در ارایه روش های درمانی مناسب کمک فراوانی خواهد کرد. لذا در این پژوهش تلاش شده است تا با استفاده از تکنیک های داده کاوی، یک مدل قوی پیش بینی مرحله سرطان پستان معرفی گردد.
روش بررسی: در این پژوهش، یک مدل مکانیزه با استفاده از سیستم TNM و همچنین استفاده از الگوریتم کلونی مورچگان، برای تشخیص مرحله سرطان پستان، پیشنهاد شده است. این روش ها به دلیل عدم نیاز به عمل جراحی، باعث کاهش زیاد هزینه ها و آسیب های روحی بیمار می شود. برای ارزیابی سیستم، از دیتاست بینالمللی SEER و یک دیتاست محلی از اطلاعات 1148 بیمار زن مبتلا به سرطان پستان، استفاده شد و دو معیار «دقت» و «سطح زیر نمودار راک» برای طبقه بندی های مختلف محاسبه گردید.
یافته ها: با استفاده از سیستم TNM برای دیتاست SEER، دقت 93/99% و برای دیتاست محلی، دقت 91/99% و با استفاده از الگوریتم کلونی مورچگان، برای دیتاست SEER دقت 43/99% و برای دیتاست محلی، دقت 95/98% بدست آمد. همچنین مشخص گردید علاوه بر ویژگی های مورد استفاده مرسوم T ، N و M، ویژگی های دیگری همچون تهاجم عروقی، سن بیمار، گروه خونی، تعدا فرزندان، محل تولد، بافت شناسی سلولی، نوع بافت درگیر و Site-Specific Factor های شماره 2 ، 3 و 6 نیز می توانند به عنوان عوامل مهم در تعیین مرحله بالینی بیماران مبتلا به سرطان پستان استفاده شوند.
نتیجه گیری: بر اساس نتایج حاصل، دو طبقه بند Logistic و Multi Class Classifier به ترتیب دارای بالاترین میزان دقت برای دیتاست های SEER و محلی این پژوهش هستند.
روش بررسی: در این پژوهش، یک مدل مکانیزه با استفاده از سیستم TNM و همچنین استفاده از الگوریتم کلونی مورچگان، برای تشخیص مرحله سرطان پستان، پیشنهاد شده است. این روش ها به دلیل عدم نیاز به عمل جراحی، باعث کاهش زیاد هزینه ها و آسیب های روحی بیمار می شود. برای ارزیابی سیستم، از دیتاست بینالمللی SEER و یک دیتاست محلی از اطلاعات 1148 بیمار زن مبتلا به سرطان پستان، استفاده شد و دو معیار «دقت» و «سطح زیر نمودار راک» برای طبقه بندی های مختلف محاسبه گردید.
یافته ها: با استفاده از سیستم TNM برای دیتاست SEER، دقت 93/99% و برای دیتاست محلی، دقت 91/99% و با استفاده از الگوریتم کلونی مورچگان، برای دیتاست SEER دقت 43/99% و برای دیتاست محلی، دقت 95/98% بدست آمد. همچنین مشخص گردید علاوه بر ویژگی های مورد استفاده مرسوم T ، N و M، ویژگی های دیگری همچون تهاجم عروقی، سن بیمار، گروه خونی، تعدا فرزندان، محل تولد، بافت شناسی سلولی، نوع بافت درگیر و Site-Specific Factor های شماره 2 ، 3 و 6 نیز می توانند به عنوان عوامل مهم در تعیین مرحله بالینی بیماران مبتلا به سرطان پستان استفاده شوند.
نتیجه گیری: بر اساس نتایج حاصل، دو طبقه بند Logistic و Multi Class Classifier به ترتیب دارای بالاترین میزان دقت برای دیتاست های SEER و محلی این پژوهش هستند.
متن کامل [PDF 844 kb]
(6147 دریافت)
نتیجه گیری: بر اساس نتایج حاصل، دو طبقه بند Logistic و Multi Class Classifier به ترتیب دارای بالاترین میزان دقت برای دیتاست های SEER و محلی این پژوهش هستند.
نوع مطالعه: پژوهشي |
موضوع مقاله:
بیماریهای پستان
دریافت: 1397/6/7 | پذیرش: 1397/9/12 | انتشار: 1397/9/25
دریافت: 1397/6/7 | پذیرش: 1397/9/12 | انتشار: 1397/9/25
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
